SKILLEMALL.ai

BF luban

Лу Бань (Luban) — мастерская по доработке навыков. Превращает «рабочий навык» в «общедоступный актив навыка, который можно понять, установить, распространить, проверить и постоянно развивать». Методология состоит из пяти ремесленных действий: проверка материала (сначала бросьте вызов предпосылкам этого навыка, скажите прямо, если материал не стоит того, чтобы его вырезали), изучение отрасли (ищите аналогичные навыки в Интернете, чтобы понять свое место в экосистеме), проверка размеров (измеряйте тремя линейками: структура, фактическое тестирование, живое тестирование — живое тестирование означает сравнение реальных результатов работы с эталоном, зеленый CI лжет), медленная обработка (заморозьте исходную версию в качестве базовой линии, изменения должны пройти проверку, иначе откат; методы проверки должны быть максимально закреплены в виде инструментов и правил в репозитории), переработка (публикация — это не конец, оставьте список для сравнения и наблюдения, следующий раунд начнется с реальной обратной связи). Используется, когда пользователь хочет обновить, оптимизировать, доработать, продуктовать, опубликовать разработанный им навык. В конечном итоге будет создан структурированный «Отчет о доработке навыка», фрагменты для прямой замены и карточка с результатом «Сертификат мастера», которую можно будет распространять в виде скриншота. Триггеры включают, но не ограничиваются: «Пусть Лу Бань взглянет на этот навык», «доработка Баньмэнь», «доработать мой навык», «обновить мой навык», «оптимизировать этот навык», «техосмотр навыка», «аудит навыка», «продуктовать мой навык», «как опубликовать этот навык», «сравнить с аналогичными навыками», «почему мой навык никто не устанавливает», «помоги мне опубликовать навык на GitHub/ClawHub», «улучшить SKILL.md». Даже если пользователь просто предоставит каталог навыков, ссылку на репозиторий GitHub или фрагмент SKILL.md и скажет «помоги мне посмотреть, как это изменить», если контекст заключается в том, чтобы сделать навык более удобным для использования и распространения, он должен быть запущен. Не используйте для создания нового навыка с нуля (используйте skill-creator), не используйте для обычного обзора кода (используйте code-review), не используйте для переписывания обычных подсказок, не связанных с активами навыков.

машинный переводПоказать оригиналСкрыть оригинал«鲁班(Luban)——Skill打磨工坊。把一个"能用的Skill"打磨成"能被理解、能被安装、能被传播、能被验证、能持续进化"的公共Ski…»

鲁班(Luban)——Skill打磨工坊。把一个"能用的Skill"打磨成"能被理解、能被安装、能被传播、能被验证、能持续进化"的公共Skill资产。 方法论是工匠式的五个动作:验料(先挑战这个Skill的前提是否成立,不值得雕的料直说)、访行(联网寻找同类Skill,看清自己在生态里站什么位置)、过尺(结构、实测、活体三把尺一起量——活体指拉真实运行产物对账,绿色的CI会撒谎)、慢刨(冻结原版做基线,改动必须通过验证门才保留,否则回刀;验证手段尽量沉淀为仓库里的工具和规矩)、回炉(发布不是终点,留对标观察清单,下一轮从真实反馈进)。 当用户想要升级、优化、打磨、产品化、发布自己开发的Skill时使用。最终产出一份结构化的《Skill打磨报告》、可直接替换的改写片段,以及一张可截图传播的"出师证书"结果卡。 触发词包括但不限于:让鲁班看看这个skill、班门打磨、打磨我的skill、升级我的skill、优化这个skill、skill体检、skill审计、产品化我的skill、这个skill怎么发布、对标一下同类skill、为什么我的skill没人装、帮我把skill发到GitHub/ClawHub、改进SKILL.md。 即使用户只是丢来一个Skill目录、GitHub仓库链接或一段SKILL.md说"帮我看看怎么改",只要上下文是想让Skill变得更好用、更可传播,都应该触发。 不要用于从零创建一个新Skill(用skill-creator)、不要用于普通的代码review(用code-review)、不要用于改写一段和Skill资产无关的普通提示语。

ClawHub Agent Skills автор: casper v2.0.0 MIT-0 3 файла тело ≈ 2 848 токенов Открыть источникclawhub.ai проанализирован 19 ч назад

Лу Бань (Luban) — мастерская по доработке навыков.

Как процесс F 33/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: scripts/backtest_*.py

АнализаторGitHubТексты и документытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
71
Прогон на моделях
не было
Процессный рейтинг
F
33/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: scripts/backtest_*.py
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
  2. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/backtest_*.py

Процессный рейтинг: все десять параметров 33/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: scripts/backtest_*.py
  • 0Инструменты и файлы. Не хватает 1 файла(ов): scripts/backtest_*.py
  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 4, без проверки текущего состояния
  • 100Шаги. Шагов: 111
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2848 токенов
  • low Разделов верхнего уровня: 14. Похоже на несколько доменов в одном скилле

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 3 примера фраз-триггеров в кавычках
  • +3Длина description 688 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 35 заголовков
  • +3Пошаговые инструкции: 111 пунктов
  • +4Есть примеры (11 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 71.

Внешние проверки

ClawHub: clean
This is a markdown-only workflow for improving and publishing skills, with disclosed research and editing behavior that users should keep under explicit control.
LLM: benign (high) · VirusTotal: · 11 июн. 2026 г.